Курс на Stepik
Обложка курса «Кредитный скоринг и PD-модели: от заявки до production-системы» на Stepik
7 900 ₽

Кредитный скоринг и PD-модели: от заявки до production-системы ★ 0.000

Открыть на
STEPIK.ORG

Практический курс о том, как строить PD-модели в кредитном риске: от определения дефолта и baseline до scorecard, boosting, calibration, cut-off, decision engine и monitoring. Для DS/ML-инженеров, риск-аналитиков и кандидатов на Risk DS позиции.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Кредитный скоринг и PD-модели: от заявки до production-системы»Учеников на курсе 1
Сертификаты, выданные на курсе «Кредитный скоринг и PD-модели: от заявки до production-системы»Сертификатов выдано 0
Отзывы о курсе «Кредитный скоринг и PD-модели: от заявки до production-системы»Отзывов получено 0
Рейтинг курса «Кредитный скоринг и PD-модели: от заявки до production-системы»Рейтинг курса 0.000
Уроки в курсе «Кредитный скоринг и PD-модели: от заявки до production-системы»Количество уроков 57
Тесты в курсе «Кредитный скоринг и PD-модели: от заявки до production-системы»Количество квизов 111
Стоимость курса «Кредитный скоринг и PD-модели: от заявки до production-системы»Стоимость курса 7 900 ₽ —
Обновления курса «Кредитный скоринг и PD-модели: от заявки до production-системы»Обновления курса — —
Дата публикации курса «Кредитный скоринг и PD-модели: от заявки до production-системы»Дата публикации курса — ———
Последнее обновление курса «Кредитный скоринг и PD-модели: от заявки до production-системы»Последнее обновление — ———
Сложность hard — ———

Чему вы научитесь

  • Формулировать кредитное решение через eligibility, PD/score, affordability, policy rules и cut-off
  • Определять default definition, performance window, maturity window, good/bad/indeterminate classes
  • Собирать train population без leakage и объяснять ограничения accept-only данных
  • Строить scorecard через binning, WoE, IV, logistic regression, odds и PDO
  • Сравнивать scorecard с CatBoost/LightGBM/XGBoost по Gini, calibration, stability, explainability и production constraints
  • Откалибровать PD и проверять observed vs predicted default rate по grades и сегментам
  • Выбирать cut-off через approval rate, bad rate, expected loss/profit и manual review capacity
  • Проектировать production decision engine: feature calculation, model registry, fallback, reason codes, decision logging и monitoring
  • Защищать PD-модель перед risk committee или на собеседовании

О курсе

Практический курс о том, как строить PD-модели в кредитном риске: от определения дефолта и baseline до scorecard, boosting, calibration, cut-off, decision engine и monitoring. Для DS/ML-инженеров, риск-аналитиков и кандидатов на Risk DS позиции.

Для кого этот курс

Курс рассчитан на специалистов, которым нужно не просто обучить модель дефолта, а встроить PD-оценку в кредитное решение. Data Scientist / ML-инженер в банке, финтехе или МФО. Уже умеет строить табличные модели, но хочет понимать кредитный контекст: default definition, reject inference, scorecard, calibration, cut-off, monitoring и validation. Кредитный риск-аналитик / model risk analyst. Хорошо понимает продукт и риск-процессы, но хочет системно разобраться, как строится ML/scorecard-модель и как разговаривать с DS-командой на одном языке. Продуктовый или бизнес-аналитик кредитного продукта. Отвечает за approval rate, bad rate, manual review, portfolio growth и хочет понимать, почему модель не сводится к ROC-AUC. Кандидат на Risk DS / Credit Scoring позицию. Готовится к собеседованиям и хочет звучать как человек, который понимает полный путь от заявки до production, а не только fit/predict. ML/DS-специалист из другой доменной области. Работал с churn, response, uplift, рекомендациями или скорингом лидов и хочет перейти в кредитный риск.

Начальные требования

Базовое знакомство с машинным обучением: понимание классификации, ROC-AUC, train/test split, переобучение.

Знание Python на уровне чтения кода: pandas, numpy, scikit-learn, базовые графики. Курс не содержит код-заданий в текущей версии, но формулы и алгоритмы приводятся в виде псевдокода и примеров.

Понимание базовых финансовых понятий: кредит, заём, процентная ставка, дефолт, одобрение/отказ. Специфические термины кредитного риска (PD, LGD, EAD, Basel, IFRS 9) объясняются в курсе с нуля.

Преподаватели курса

Аватар Лев Ушков
Лев Ушков
Senior ML-инженер Wildberries, ex-lead DS и AI в испанском foodtech. 5+ лет в индустрии, десятки проведённых собеседован...
★ 5.0
29 курсов 356
→ Аватар Ivan Pirogov
Ivan Pirogov
★ 5.0
→

Как проходит обучение

Курс построен как последовательный production pipeline: каждый модуль закрывает один этап пути от бизнес-вопроса до production-системы.

Формат уроков: теория + практика. Теория строится через сквозные примеры (банк/финтех/МФО), практика проверяет понимание через choice, matching, sorting, number, table, fill-blanks задания и free-answer L3-задания на создание производственных артефактов (memo, policy table, runbook, validation checklist).

Финальный модуль — полный сквозной production-case: банк запускает необеспеченный потребительский кредит. Студент проходит весь путь от target definition до защиты решения перед risk committee.

Оценка времени прохождения: 4–5 часов в неделю, 8–10 недель (зависит от темпа и глубины погружения в задания).

Что вы получите

  • Понимание полного production pipeline application scoring: от default definition до monitoring и validation
  • Умение строить scorecard (binning, WoE, IV, score scaling, PDO, reason codes) и сравнивать его с boosting
  • Умение откалибровать PD-модель и проверить observed vs predicted default rate
  • Умение выбирать cut-off через approval rate, bad rate, expected loss/profit и manual review capacity
  • Умение проектировать decision engine: feature calculation, model registry, fallback, reason codes, decision logging
  • Умение мониторить PD-модель с delayed labels: PSI, CSI, early performance indicators, concept drift, policy drift
  • Умение защищать модель перед risk committee или на собеседовании Risk DS / Credit Scoring позиции
  • Производственные артефакты из финального кейса: target definition memo, model selection defense, cut-off memo, policy table, rollback runbook, monitoring plan, validation checklist, финальная защита перед risk committee

Нагрузка

4–5 часов в неделю · 8–10 недель

Расскажите о курсе друзьям